[发明专利]模型训练方法、图像边缘增强方法、装置、介质和终端

说明书

本发明提供了一种模型训练方法、图像边缘增强方法、装置、介质和终端，该训练方法包括：对第一分辨率的原始图像样本进行降采样处理得到参考图像样本；对参考图像样本进行插值得到渲染图像样本；向待训练的卷积神经网络模型输入渲染图像样本；通过对渲染图像样本进行特征提取得到渲染特征；利用卷积神经网络模型的通道加权融合模块对渲染特征进行增强，得到增强图像；利用损失函数计算原始图像样本与增强图像之间的损失值；根据损失值调整卷积神经网络模型中的参数；生成包括调整后的卷积神经网络模型参数的图像边缘增强模型，本发明的训练方法得到图像边缘增强模型能够用于对插值处理后的图像质量进行优化，改善边缘模糊和锯齿情况。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种模型训练方法、图像边缘增强方法、装置、介质和终端。

背景技术

传统的图像插值技术，因其优异的鲁棒性，被普遍应用于军事、航空、医学、通信、气象、遥感、动画制作和电影合成等领域。然而，传统的插值方法侧重于图像的平滑，从而取得更好的视觉效果。但这类方法在保持图像平滑的同时，常常导致图像的边缘模糊以及锯齿。而图像的边缘信息是图像视觉效果的重要因素，同时也是目标识别与跟踪、图像匹配、图像配准等图像处理问题的关键因素，因此，亟需一种图像处理方法可以对传统插值技术处理后的图像的成像质量进行优化。

发明内容

本发明的目的在于提供一种模型训练方法、图像边缘增强方法、装置、介质和终端，该方法能够对插值处理后的图像质量进行优化，改善边缘模糊和锯齿情况。

第一方面，为实现上述目的，本发明的所述一种模型训练方法，包括：

对第一分辨率的原始图像样本进行降采样处理，得到具有第二分辨率的参考图像样本，其中，第二分辨率小于所述第一分辨率；

对所述第二分辨率的参考图像样本进行插值，得到具有所述第一分辨率的渲染图像样本；

向待训练的卷积神经网络模型输入所述渲染图像样本；

利用所述卷积神经网络模型的空洞卷积金字塔采样模块和残差模块对所述渲染图像样本进行特征提取，得到渲染特征；

利用所述卷积神经网络模型的通道加权融合模块对所述渲染特征进行增强，得到增强图像；

利用损失函数计算所述原始图像样本与所述增强图像之间的损失值；

利用所述损失值调整所述卷积神经网络模型中的参数；

生成包括调整后的所述卷积神经网络模型参数的图像边缘增强模型。

本发明所述的模型训练方法的有益效果在于：通过对第一分辨率的原始图像样本进行降采样处理得到具有第二分辨率的参考图像样本，对第二分辨率的参考图像进行插值得到具有第一分辨率的渲染图像样本，之后通过卷积神经网络模型的空洞卷积金字塔采样模块、残差模块和通道加权融合模块对渲染图像样本的渲染特征进行增强处理，得到处理后的增强图像，之后根据损失函数计算原始图像样本和增强图像之间的损失值，并根据损失值调整所述卷积神经网络模型中的参数，后续根据调整后的卷积神经网络模型的参数生成图像边缘增强模型，从而将卷积神经网络模型训练成为图像边缘增强模型，以便于通过图像边缘增强模型对经过插值之后的图像进行增强处理，改善图像边缘模糊的情况。

在一些可能的实施方式中，利用所述卷积神经网络模型的空洞卷积金字塔采样模块和残差模块对所述渲染图像样本进行特征提取，得到渲染特征，包括：

利用所述空洞卷积金字塔采样模块中的不同空洞率的空洞卷积从所述渲染图像样本中提取待插值点不同尺度的领域特征，对所述领域特征进行加权融合，以获得初始渲染特征图；